用于语义分割半监督深度学习的无监督全变分损失
计算机视觉与模式识别
2018-08-09 v3
摘要
我们提出了一种新颖的无监督损失函数，用于在缺乏密集标注训练图像时通过深度卷积神经网络（ConvNet）学习语义分割。更具体地，所提损失函数惩罚由ConvNet生成的标签概率矢量图像的梯度的L1范数，即全变分（total variation）。这可视为一种正则化项，在学习期间促进ConvNet生成的标签概率矢量图像的分段平滑性。该无监督损失函数与有监督损失在半监督设置下结合，以学习即便在训练图像中仅极小比例像素被标注时也能达到高语义分割精度的ConvNet。我们在Weizmann horse、Stanford background和Sift Flow数据集上展示了相比纯有监督设置的显著改进。此外，我们表明在学习阶段使用所提分段平滑约束显著优于采用马尔可夫随机场（MRF）的纯有监督方法的后处理结果。最后，我们注意到引入的框架是通用的，可通过相应修改无监督损失函数来学习标注其他类型结构如曲线结构。
引用
@article{arxiv.1605.01368,
title = {Unsupervised Total Variation Loss for Semi-supervised Deep Learning of Semantic Segmentation},
author = {Mehran Javanmardi and Mehdi Sajjadi and Ting Liu and Tolga Tasdizen},
journal= {arXiv preprint arXiv:1605.01368},
year = {2018}
}